Grundlæggere, kritikere og forskere: Samtaler der er værd at læse

De fleste kan nævne CEO’en for OpenAI. Færre kan nævne forfatterne til den artikel, der definerede den nuværende æra for store sprogmodeller. Dette vidensgab skaber et forvrænget billede af, hvordan teknologi rent faktisk udvikler sig. Vi behandler kunstig intelligens som en række produktlanceringer, selvom det i virkeligheden er en langsom ophobning af matematiske gennembrud. Grundlæggerne styrer kapitalen og den offentlige fortælling. Forskerne styrer vægtene og logikken. At forstå forskellen er den eneste måde at se igennem marketing-tågen på. Hvis du kun følger grundlæggerne, ser du en film. Hvis du følger forskerne, læser du manuskriptet. Denne artikel ser på, hvorfor denne skelnen betyder noget, og hvordan man identificerer de signaler, der faktisk dikterer fremtiden for branchen. Vi bevæger os forbi de karismatiske taler for at se på den kolde virkelighed i laboratoriet. Det er på tide at fokusere på de mennesker, der skriver koden, frem for blot dem, der underskriver pressemeddelelserne.

Maskinalderens usynlige arkitekter

Grundlæggere er det offentlige ansigt. De taler ved World Economic Forum og vidner for Kongressen. Deres job er at sikre milliarder i finansiering og opbygge et brand, der føles uundgåeligt. De bruger ord, der antyder magi. Forskere er anderledes. De arbejder i Python og LaTeX. De bekymrer sig om loss functions og token efficiency. En grundlægger vil måske sige, at deres model tænker. En forsker vil fortælle dig, at den forudsiger det næste mest sandsynlige ord baseret på en specifik sandsynlighedsfordeling. Forvirringen opstår, fordi medierne behandler disse to grupper som én. Når en CEO siger, at en model vil løse klimaforandringerne, er det et salgsargument. Når en forsker udgiver en artikel om sparse autoencoders, er det en teknisk påstand. Det ene er et håb. Det andet er et faktum.

Offentligheden forveksler ofte håbet med faktum. Dette fører til en cyklus af over-løfter og under-levering. For at forstå dette felt skal du adskille personen, der sælger bilen, fra personen, der designede motoren. Motordesigneren ved præcis, hvor boltene er løse. Sælgeren vil aldrig fortælle dig om de løse bolte, fordi deres job er at holde aktiekursen høj. Vi ser dette udspille sig, hver gang en ny model lander. Grundlæggeren poster et kryptisk tweet for at skabe hype. Forskeren poster et link til en teknisk rapport på arXiv. Tweetet får en million visninger. Den tekniske rapport bliver læst af et par tusinde mennesker, der rent faktisk bygger tingene. Dette skaber en feedback-loop, hvor de højeste stemmer definerer virkeligheden for alle andre.

Ud over innovationens offentlige ansigt

Denne kløft har massive konsekvenser for global politik. Regeringer skriver i øjeblikket love baseret på advarsler fra grundlæggere. Disse grundlæggere advarer ofte om eksistentielle risici, der føles som science fiction. Dette holder fokus på hypotetiske fremtider frem for aktuelle skader. I mellemtiden påpeger forskere umiddelbare problemer som databias og energiforbrug. Ved primært at lytte til de berømte navne risikerer vi at regulere de forkerte ting. Vi kan komme til at forbyde en fremtidig superintelligens, mens vi ignorerer, at nuværende modeller dræner vandressourcerne i små byer for at køle deres datacentre. Dette er ikke kun et amerikansk problem. I Europa og Asien eksisterer den samme dynamik.

De stemmer, der får mest sendetid, er dem med de største marketingbudgetter. Dette skaber et “winner take all”-miljø, hvor få virksomheder sætter dagsordenen for hele planeten. Hvis vi ikke udvider vores perspektiv, tillader vi en håndfuld mennesker i Silicon Valley at definere, hvad der er sikkert, og hvad der er muligt. Denne koncentration af magt er en risiko i sig selv. Det begrænser mangfoldigheden af tanker i et felt, der har brug for det. Vi har brug for at høre fra folkene på University of Toronto eller laboratorierne i Tokyo lige så meget, som vi hører fra folkene i San Francisco. Videnskabelige fremskridt er en global indsats, men fortællingen er i øjeblikket et lokalt monopol. Vi er nødt til at se på tidsskrifter som Nature for at se de reelle fremskridt, der gøres uden for virksomhedernes bestyrelseslokaler.

Hvorfor verden lytter til de forkerte mennesker

Overvej en dag i livet for en ledende forsker i et større laboratorium. De vågner op og tjekker resultaterne af en træningskørsel, der kostede tre millioner dollars. De ser, at modellen hallucinerer mere end forventet. De bruger ti timer på at kigge på dataklynger for at finde støjen. De tænker ikke på valget i 2024 eller menneskehedens skæbne. De tænker på, hvorfor modellen ikke forstår negation i komplekse sætninger. De kigger på heat maps af neuron-aktivering. Deres succes måles i bits per karakter eller nøjagtighed på en specifik benchmark. Overvej nu dagen for en grundlægger. De er på et privatfly for at mødes med et statsoverhoved. De taler om en mulighed til en billion dollars i den nye økonomi.

Forskeren beskæftiger sig med “hvordan”. Grundlæggeren beskæftiger sig med, hvorfor det er penge værd. For en udvikler, der bygger en app, er forskeren den vigtigste figur. Forskeren bestemmer API-latens og kontekstvinduet. Grundlæggeren bestemmer prisen. Hvis du forsøger at bygge en forretning, skal du vide, om teknologien rent faktisk kan gøre det, grundlæggeren siger, den kan. Ofte kan den ikke. Vi så dette i de tidlige dage af selvkørende biler. Grundlæggerne sagde, at vi ville have millioner af robot-taxaer inden 2026. Forskerne vidste, at edge cases i kraftig regn stadig var et uløst problem. Offentligheden troede på grundlæggerne. Forskerne havde ret.

Det samme mønster gentager sig i det generative AI-rum. Vi får at vide, at modeller snart vil erstatte advokater og læger. Hvis du læser de tekniske artikler, ser du, at modellerne stadig kæmper med grundlæggende logisk konsistens. Kløften mellem demoen og virkeligheden er der, hvor virksomheder taber penge. Du kan finde en dybdegående gennemgang af tendenser inden for kunstig intelligens for at se, hvordan disse tekniske grænser testes i dag. Denne skelnen er forskellen mellem en sund investering og en spekulativ boble. Når du hører en ny påstand, så spørg dig selv, om den kom fra en artikel eller en pressemeddelelse. Svaret vil fortælle dig, hvor meget vægt du skal lægge på den. Journalister hos MIT Technology Review fremhæver ofte denne kløft mellem laboratoriet og lobbyen. Vi må huske, at grundlæggerne har incitament til at skjule fejlene, mens forskere har incitament til at finde dem. De førstnævnte bygger hypen, og de sidstnævnte bygger sandheden. På lang sigt er sandheden det eneste, der skalerer. Vi så dette i 2026, da den første bølge af hype begyndte at køle af under vægten af den tekniske virkelighed.

En tirsdag i laboratoriet kontra bestyrelseslokalet

Vi må stille svære spørgsmål til den nuværende udviklingsvej. Hvem betaler for den forskning, som grundlæggerne hævder vil gavne alle? De fleste af de bedste forskere har forladt den akademiske verden til fordel for private laboratorier. Det betyder, at den viden, de producerer, ikke længere er et offentligt gode. Det er en forretningshemmelighed. Hvad sker der med den videnskabelige metode, når de data, der bruges til at bevise en pointe, er gemt bag en betalingsmur? Vi ser en bevægelse væk fra åben videnskab mod en model for lukket konkurrencemæssig fordel. Hjælper berømmelsen hos nogle få individer feltet, eller skaber det en personlighedskult, der modvirker uenighed? Hvis en forsker finder en stor fejl i en flagskibsmodel, føler de sig så trygge ved at rapportere det, hvis det kan sænke virksomhedens værdiansættelse?

Det økonomiske pres på disse firmaer er enormt. Vi er også nødt til at overveje de miljømæssige omkostninger. Er jagten på lidt bedre benchmarks værd at betale med det massive CO2-aftryk, det kræver at træne disse modeller? Vi taler ofte om fordelene ved AI for miljøet, men vi ser sjældent et regnskab, der balancerer de to. Endelig, hvem ejer den kultur, som disse modeller er trænet på? Forskerne bruger internettets kollektive output til at bygge deres systemer. Grundlæggerne opkræver derefter betaling fra offentligheden for at få adgang til en destilleret version af det samme output. Dette er en overførsel af rigdom, der sjældent diskuteres i overskrifterne. Dette er ikke bare tekniske problemer. Det er sociale og etiske dilemmaer, der kræver mere end blot en bedre algoritme at løse.

Tekniske begrænsninger og lokal implementering

For dem, der bygger på disse platforme, betyder de tekniske detaljer mere end filosofien. Nuværende API-grænser er en stor flaskehals for virksomhedsadoption. De fleste udbydere har strenge rate limits, der forhindrer realtidsbehandling i høj volumen. Det er derfor, mange firmaer kigger på lokal lagring og lokal eksekvering. Ved at bruge modeller som Llama 3 på lokal hardware opnås bedre databeskyttelse og lavere langsigtede omkostninger. Hardwarekravene er dog stejle. For at køre en model med 70 milliarder parametre med anstændig hastighed, har du brug for high-end GPU’er med betydelig VRAM. Det er her, nørde-sektionen møder den finansielle sektion. Prisen på en H100-klynge er en adgangsbarriere, der holder magten på de velhavendes hænder.

Vi ser også et skift mod specialiseret fine-tuning. I stedet for at bruge en generel model til alt, bruger udviklere mindre modeller trænet på specifikke datasæt. Dette forbedrer nøjagtigheden og reducerer antallet af tokens. Den tekniske udfordring her er datakurering. Hvis inputdataene er dårlige, vil den fine-tunede model være dårligere end den generelle. Vi ser også mere brug af Retrieval Augmented Generation (RAG) for at forankre modeller i faktuelle data. Dette omgår behovet for massive kontekstvinduer og reducerer hallucinationer. Men RAG har sine egne begrænsninger, specifikt i hvordan den håndterer rangordningen af hentede dokumenter. Hvis søgetrinnet fejler, er modellens output ubrugeligt. De fleste brugere indser ikke, at ydeevnen af en AI afhænger lige så meget af den database, den forespørger, som af selve modellen.

Det endelige filter for information

Fremtiden for AI er ikke én historie fortalt af én person. Det er en rodet, igangværende debat mellem dem, der sælger en vision, og dem, der bygger virkeligheden. For at være en klog forbruger af tech-nyheder skal du lære at se forbi den karismatiske grundlægger. Se efter navnene på artiklerne. Se efter de forskere, der er villige til at tale om, hvad deres modeller ikke kan. Modsigelserne i branchen er ikke fejl. De er den mest ærlige del af historien. Feltet vil fortsætte med at udvikle sig, fordi de tekniske problemer langt fra er løst. Det centrale spørgsmål forbliver: kan vi bygge et virkelig intelligent system uden det massive ressourceforbrug, der definerer den nuværende æra? Indtil vi svarer på det, vil hypen fortsætte med at overhale videnskaben. Vi må forblive skeptiske over for enhver fortælling, der lover en perfekt løsning uden at nævne de involverede kompromiser.

Redaktionel note: Vi har oprettet dette websted som et flersproget AI-nyheds- og guidecenter for folk, der ikke er computer-nørder, men stadig ønsker at forstå kunstig intelligens, bruge den med mere selvtillid og følge den fremtid, der allerede er her.